YIELD FORECASTING FOR FRUITS AND VEGETABLES USING RANDOM FOREST ON LARGE-SCALE AGROCLIMATIC DATA

Аңдатпа

Өнімділікті дәл болжау ауыл шаруашылығын тұрақты дамыту және климаттың өзгеруіне бейімделу үшін аса маңызды, әсіресе Орталық Азия сияқты экстремалды ауа райы жағдайларына бейім өңірлерде. Бұл зерттеуде ауқымды агроклиматтық деректер негізінде жемістер мен көкөністердің өнімділігін болжау үшін сызықтық регрессия (LR), шешімдер ағашы (DT), Random Forest (RF) және градиенттік бустинг (GB) сияқты машиналық оқыту модельдерін қолдану қарастырылады. Деректерді алдын ала өңдеу және белгілерді кодтаудан кейін барлық модельдер жоғары дәлдік көрсетті (R² > 0,90). Бұл ретте LR және GB модельдерінің нәтижелері RF моделінен 1 %-дан аз ғана көрсеткішке жоғары болды. Нәтижелер арасындағы айырмашылықтың аз болғанына қарамастан, RF моделі жоғары тұрақтылық пен интерпретациялану мүмкіндігін көрсетті және деректердің өзгермелілігі мен бос мәндердің болуына қарамастан тұрақты нәтижелерді сақтады. Белгілердің маңыздылығын талдау жауын-шашын мөлшерінің негізгі болжамдық фактор екенін көрсетті. Одан кейін тыңайтқыштарды қолдану және суару көрсеткіштері маңызды факторлар ретінде анықталды. Температура өнімділікке сызықтық емес әсер етеді: температура 32–34 °C-тан жоғары болған кезде өнімділік тұрақтанады. Бұл құрғақ климат жағдайында жылу стрессінің туындау қаупін көрсетеді. Алынған нәтижелер ансамбльдік әдістердің, әсіресе Random Forest моделінің, нақты ауыл шаруашылығы жағдайларында климаттық факторларды ескере отырып өнімділікті болжау кезінде дәлдік, тұрақтылық және түсіндірмелілік арасында практикалық тепе-теңдікті қамтамасыз ететінін көрсетеді.